机器人技术的发展对系统与环境交互能力的提升,提出了迫切需求,面向复杂多变环境下准确、实时的机器人位姿估计成为了研究热点。同时定位与建图技术（Simultaneous Localization and Mapping,SLAM）是实现机器人自主化的关键技术,目前典型的SLAM算法仍然需要解决如何让机器人在包含自然和人为变化的环境中进行自主运动和工作的问题。相比于室外机器人,室内服务机器人拥有更加广阔的市场潜力。由于室内环境具有光照和视角变化较为强烈;存在很多位置容易改变的、易形变的以及外观相似的物体;具有很高的动态干扰等特点,导致目前室内服务机器人定位方法研究还具有以下不足:定位方法研究离不开数据支持,而目前针对室内环境的数据集研究工作,不能很好地反映上述环境特点;目前多数SLAM研究关注短时间内的定位效果,没有考虑“视线外”的环境变化对定位的影响。本文使用术语“终生SLAM”（Lifelong SLAM）描述解决室内长期变化环境中的SLAM问题。针对上述室内环境特点和定位方法存在的不足,本文围绕室内服务机器人Lifelong SLAM数据集和定位方法展开了深入研究。本论文的主要工作和创新点如下:1)针对室内服务机器人Lifelong SLAM研究数据缺失问题,构建了Open LORIS-Scene数据集,并提出了用于评价Lifelong SLAM的度量基准。数据从真实生活场景采集,每个场景均包含不同时刻采集的多条数据序列,且提供在同一地图坐标系中的轨迹真值,从而形成了Lifelong SLAM算法的考察基准。此外,提出的度量基准,可对Lifelong SLAM算法估计的位姿分别进行鲁棒性和准确性评估。通过提出的Open LORIS-Scene数据集和度量基准,可确定面向Lifelong SLAM问题的算法缺陷,为本文后续定位方法研究,奠定了理论基础和数据支撑。为促进SLAM领域发展,笔者开源了提出的数据集和度量基准,并取得了一定积极的影响。开源网址:lifelong-robotic-vision.github.io/dataset/scene。2)针对室内光照和视角变化场景的实时位姿估计问题,提出了基于深度特征的室内服务机器人Lifelong SLAM定位算法DXSLAM。DXSLAM算法基于卷积神经网络CNNs（Convolutional Neural Networks）,提出了可在CPUs上部署的实时深度特征提取方案;同时,对深度特征进行深入分析,提出了增量式深度特征词典训练方法,训练的词典可大幅度缩短算法初始化时间,有效提高了特征查询速度和准确度;对传统SLAM框架中的重定位任务和回环检测任务进行了研究,分别提出了基于全局深度特征的重定位方案和基于多层次深度特征的回环检测方案。相比于基于传统手工特征的SLAM算法,DXSLAM具有更好的回环检测、重定位和持续定位能力。据我们所知,这是第一个全部基于深度学习特征的,能够在无GPU装置的移动计算平台上实时运行的SLAM算法。开源网址:https://github.com/ivipsourcecode/dxslam。3)针对物体变化场景对室内服务机器人定位的干扰问题,提出了基于深度卷积神经网络的室内服务机器人Lifelong SLAM特征提取网络Ra P-Net。Ra P-Net通过结合局部区域级（region-wise）权重和像素级（point-wise）权重来提取稳定的具有语义含义的局部深度特征,增强了服务机器人对环境的感知和理解能力,有效提高了服务机器人在物体变化场景干扰下的定位精度。此外,本文构建了面向室内特征提取网络的训练集Open LORIS-Location,训练集所有图像均具有地点标签,同时包含丰富的图像变化,有助于网络学习室内场景环境中的不变性。网络及训练集开源网址:https://github.com/ivipsourcecode/Ra P-Net。4)针对动态场景对室内服务机器人定位的干扰问题,提出了基于传感器融合的室内服务机器人Lifelong SLAM定位算法。以无人机的室内定位作为研究背景,首先,提出了结合语义分割网络、LK光流法和对极约束的动态点检测和剔除方法,消除了动态场景对位姿估计的干扰,其次,将惯性传感器数据和视觉传感器数据进行融合估计无人机位姿,提高了定位算法在静态特征数量不足情况下的鲁棒性,同时可以提供位姿估计真实尺度信息。此外,设计了一种经过准确标定的手持传感器数据采集装置,模拟无人机在巷道内的飞行,并构建了采集真实巷道动态场景信息的Open LORIS-Underground数据集,用于测试提出的定位算法。实验结果表明,针对动态场景数据,相比于先进的传感器融合定位算法VINS-Mono,提出的定位算法精度最高可提高到67%以上,可有效消除动态场景干扰并实现准确的位姿估计。